Factors associated with cyber-victimization among immigrants and non-immigrants in Canada: a cross-sectional nationally-representative study
Notice bibliographique
Résumé
OBJECTIVES: There is a paucity of research on patterns of cyber-victimization in minority groups, including immigrants. This study aimed to identify individual, interpersonal and contextual characteristics associated with cyber-victimization among immigrants and non-immigrants. METHODS: We drew on nationally representative data from adolescents and adults in the Canadian General Social Survey on victimization (2014). We used multivariable logistic regression to identify potential factors associated with cyber-victimization in the last 12 months, stratified by immigrant status and sex. RESULTS: Among 27,425 survey respondents, the weighted prevalence of cyber-victimization in the last 12 months was 2.1% among immigrants and 2.3% among non-immigrants. Cyber-victimization rates differed significantly by sex among immigrants (2.8% for males vs. 1.4% for females), but not among non-immigrants (2.1% for males vs. 2.4% for females). While most other factors associated with cyber-victimization were similar for immigrants and non-immigrants, there were pronounced associations of past child maltreatment (adjusted prevalence odds ratio [aPOR] 4.85, 95% confidence interval [CI] 2.76, 8.52) and residence in an unwelcoming neighbourhood (aPOR 5.08, 95% CI 2.44, 10.55) with cyber-victimization among immigrants that were diminished or absent among non-immigrants. Additionally, sex-stratified analyses among immigrants showed cyber-victimization to be strongly associated with having a mental health condition (aPOR 3.50, 95% CI 1.36, 8.97) among immigrant males only, and with perceived discrimination (aPOR 4.08, 95% CI 1.65, 10.08), as well as being under 24 years old (aPOR 3.24, 95% CI 1.09, 9.60) among immigrant females. CONCLUSIONS: Immigration status and sex were differentially associated with cyber-victimization. Findings support the salience of a social-ecological perspective and gender-stratified analyses to better elucidate complex pathways linking cyber-victimization to potential gender-based health inequities among immigrants.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».